Kas jums jāzina, lai izprastu mainīgās tehnoloģijas apkārt tev
Neironu tīkli ir saistītu vienību vai mezglu datorie modeļi, kas paredzēti, lai pārraidītu, apstrādātu un mācītos no informācijas (datiem) līdzīgi kā cilvēki (nervu šūnas) darbojas neironos.
Mākslīgie neironu tīkli
Tehnoloģijā neironu tīklus bieži sauc par mākslīgiem neironu tīkliem (ANNs) vai neironu tīkliem, lai atšķirtu no tiem bioloģiskiem neironu tīkliem, kurus viņi pēc tam modelē. Galvenā ANN ideja ir tāda, ka cilvēka smadzenes ir vissarežģītākais un inteliģentākais "dators", kas pastāv. Veicot ANN modelēšanu pēc iespējas tuvāk smadzeņu izmantotajai informācijas apstrādes sistēmai un sistēmai, pētnieki cerēja izveidot datorus, kas tuvojās vai pārspēja cilvēka inteliģenci. Neironu tīkli ir būtisks faktors mākslīgā intelekta (AI), mašīntulkošanas (ML) un dziļās mācīšanās sasniegumu jomā .
Kā darbojas neironu tīkli: salīdzinājums
Lai saprastu, kā darbojas neironu tīkli un atšķirības starp diviem tipiem (bioloģisko un mākslīgo), izmantosim piemēru 15 stāvu biroju ēkai, kā arī tālruņa līnijām un sadales paneļiem, kas maršruta zvanus visā ēkā, atsevišķos stāvos un atsevišķos birojos. Katrs birojs mūsu 15 stāvu biroju ēkā ir neirons (mezgls datortīklos vai nervu šūnā bioloģijā). Paši ēka ir struktūra, kurā atrodas biroju komplekss, kas izvietots 15 stāvu sistēmā (neironu tīkls).
Piemērojot piemēru bioloģiskiem neironu tīkliem, sadales skapim, kas saņem zvanus, ir līnijas, kas savieno jebkuru biroju jebkurā ēkas līmenī. Turklāt katram birojam ir līnijas, kas savieno to ar jebkuru citu biroju visā ēkā jebkurā stāvā. Iedomājieties, ka zvans ir pieejams (ieeja), un komutators nodod to birojā 3. stāvā, kas to pārved tieši uz biroju 11. stāvā, un pēc tam tieši to nodod birojā 5. stāvā. Smadzenēs katrs neirons vai nervu šūna (birojs) var tieši savienot ar jebkuru citu neironu savā sistēmā vai neironu tīklā (ēkā). Informāciju (zvanu) var pārsūtīt jebkuram citam neironam (birojam), lai apstrādātu vai apgūtu nepieciešamo informāciju, kamēr nav atbildes vai izšķirtspējas (izlaide).
Piemērojot šo piemēru ANN, tas kļūst diezgan sarežģītāks. Katram ēkas stāvam ir savs komutācijas skapjs, kas var savienot tikai ar tiem pašiem grīdas birojiem, kā arī sadales skapjus uz stāviem virs un zem tā. Katrs birojs var tieši savienot ar citiem tās pašas grīdas un tā paša grīdas sadales paneļiem. Visiem jaunajiem zvaniem jāsākas ar sadales skapi 1.stāvā, un pirms zvana beigām tie jāpārvieto uz katru atsevišķu grīdu skaitliskā secībā līdz 15. stāvam. Nodosim to kustībā, lai redzētu, kā tā darbojas.
Iedomājieties, ka zvans nāk (ieguldījums) 1. stāvā sadales skapī un tiek nosūtīts uz biroju 1. stāvā (mezglā). Pēc tam zvans tiek nodots tieši starp citiem birojiem (mezgliem) 1. stāvā, līdz tas ir gatavs nosūtīšanai uz nākamo stāvu. Pēc tam zvans jānosūta atpakaļ uz 1. stāva sadales skapi, pēc tam to nodod otrā stāva sadales skapim. Šie paši soļi atkārtojas vienā stāvā vienlaikus, un šis zvans tiek nosūtīts ar šo procesu katrā stāvā, līdz pat 15 stāvam.
ANNs mezgli (biroji) ir izvietoti slāņos (ēkas stāvos). Informācija (zvans) vienmēr nāk caur ieejas slāni (1.stāvs un tā komutators), un katrs slānis (grīda) jānosūta un jāapstrādā, pirms tas var pāriet uz nākamo. Katrs slānis (grīda) apstrādā konkrētu detalizētu informāciju par šo zvanu un nosūta rezultātu kopā ar zvanu uz nākamo slāni. Ja zvans sasniedz izejas slāni (15. stāvs un tā komutators), tas ietver apstrādes informāciju no 1.-14. Slāņa. 15. kārta (grīdas) mezgli (biroji) izmanto informāciju un informāciju no visiem pārējiem slāņiem (grīdām), lai iegūtu atbildi vai izšķirtspēju (izeja).
Neironu tīkli un mašīnmācība
Neironu tīkli ir viena veida tehnoloģijas saskaņā ar mašīnizglītības kategoriju. Faktiski neironu tīklu izpēte un attīstība ir bijusi cieši saistīta ar plūdmaiņu un plūsmu attīstību ML. Neironu tīkli paplašina datu apstrādes iespējas un palielina ML skaitļošanas jaudu, palielinot apstrādājamo datu apjomu, kā arī spēju veikt sarežģītākus uzdevumus.
Pirmais dokumentētais ANN modelis tika izveidots 1943. gadā ar Walter Pitts un Warren McCulloch. Sākotnējā interese un izpēte neironu tīklos un mašīntīklā beidzot palēninājās, un 1969. gadā tas tika vairāk vai mazāk novietots, tikai ar nelielu jaunu interešu starplaikiem. Datoriem laika gaitā vienkārši nebija pietiekami ātri vai pietiekami daudz procesoru, lai tālāk virzītu šos apgabalus, un tajā laikā nebija pieejams liels datu apjoms, kas vajadzīgi ML un neironu tīkliem.
Plaši palielinājies skaitļošanas jauda laika gaitā, kā arī interneta izaugsme un paplašināšanās (un tādējādi piekļuve lieliem datu apjomiem internetā) ir atrisinājuši šīs agrīnās problēmas. Neironu tīkli un ML tagad ir nozīmīgi tehnoloģijās, kuras katru dienu mēs redzam un lietojam, piemēram, sejas atpazīšana , attēlu apstrāde un meklēšana, kā arī reāllaika tulkošana valodās - tikai daži vārdi.
Neironu tīkla piemēri ikdienas dzīvē
ANN ir diezgan sarežģīts jautājums tehnoloģijā, tomēr ir vērts veltīt kādu laiku, lai izpētītu, jo arvien vairāk veidu, kā tas katru dienu ietekmē mūsu dzīvi. Šeit ir daži piemēri par to, kā dažādās nozarēs pašreiz izmanto neironu tīklus:
- Finanses: Neironu tīkli tiek izmantoti valūtas kursu prognozēšanai. Tie tiek izmantoti arī automašīnu tirdzniecības sistēmā, ko izmanto akciju tirgū.
- Medicīna: neironu tīklu attēlu apstrādes iespējas ir veicinājušas tehnoloģijas, kas palīdz precīzāk uztvert un noteikt agrīnā un sarežģītā tipa vēža veidus. Viens šāda veida vēzis ir invazīvā melanoma - visnopietnākā un nāvējošā ādas vēža forma. Melanomas noteikšana agrīnās stadijās, pirms tā ir izplatījusies, dod pacientiem ar šāda veida vēzi labākās iespējas to pārspēt.
- Laika ziņas: spēja noteikt atmosfēras izmaiņas, kas norāda uz potenciāli nopietnu un bīstamu laika parādību pēc iespējas ātrāk un precīzāk, ir būtiska dzīvību glābšanai. Neironu tīkli ir iesaistīti satelītu un radaru attēlu reāllaika apstrādē, kas ne tikai atklāj viesuļvētru un ciklonu agrīnu veidošanu, bet arī atklāj pēkšņas vēja ātruma un virziena izmaiņas, kas norāda uz veidojošo viesuļvētru. Tornado ir daži no spēcīgākajiem un visbīstamākajiem laika notikumiem rekordos - bieži vien pēkšņi, destruktīvi un nāvējoši nekā viesuļvētras.